遥感影像目标检测的轻量化密集连接网络北大核心CSCD

针对无人机遥感影像中可能出现的多个密集的小目标,在检测时会出现误检、漏检的难点问题,本文提出了一种基于YOLO v4的具有密集连接网络模块的遥感影像轻量化目标检测算法,实现了对无人机遥感影像中车辆小目标的高精度识别。首先,对YOLO v4主干网络CSP Darknet53的卷积层采用密集连接、稀疏连接两种处理方式,加强特征的提取和重复使用,以缓解梯度消失问题;然后,对此模块进行模型剪裁,减少网络层数并定义为新的密集连接网络模块;最后,在NWPU-VHR-10数据集和笔者所在课题组制作的Vehicle-850无人机影像数据集上进行了对比试验并取得了较好的效果。本文改进后的网络结构在提高遥感影像目标检测准确率的同时,缩短了网络模型的收敛时间,减少了模型占用的内存空间,提高了遥感影像中目标检测的速度。     

注意力密集卷积网络遥感影像多目标检测

针对遥感影像目标检测中背景复杂、正负样本严重不均衡问题,提出一种基于注意力与密集连接的遥感影像目标检测模型。在特征提取层使用卷积注意力模块分别沿通道、空间域聚合特征图正样本特征,同时通过密集连接加强层间交流;利用上下层特征融合与连续上采样构建3个尺度的特征增强金字塔。实验结果表明,本文模型对不同复杂程度场景下的各类别目标均能够实现稳定检出,且精度优于现有主流目标检测模型,具有良好的泛化能力与实时性。     

轻量卷积神经网络遥感影像目标检测方法

针对常规遥感影像目标检测模型在低算力环境难以运行问题,提出一种新的轻量级目标检测方法.采用深度可分离卷积核及通道分组混排构建轻量级特征提取网络,采用K-means聚类获取锚点框,使用跨层连接双层特征金字塔预测多尺度目标.利用遥感影像目标检测数据集(RSOD)数据集对模型训练,采用精度均值,平均精度均值,每秒传输帧数对模...     

无人机遥感影像轻型交通标志实时检测方法研究

常规目标检测模型对于硬件需求较高,难以在无人机载硬件上直接运行并实施流畅交通标志检测。针对这一问题,本文提出一种轻型的交通标志检测模型。该模型基于轻量级卷积神经网络结构设计,利用非对称卷积核级联特征提取层特征以及最大池化层搭建特征提取网络,并利用三层特征增强网络实现对无人机遥感影像中多尺度、多类别交通标志的快速精准检测。同时针对原始图像质量问题设计了图像增强模块,提高了训练后模型的泛化能力。测试结果表明,本文提出的模型能够在无人机硬件上流畅运行,并能够对多场景下的交通标志目标实施精准检测。     

多尺度并联卷积神经网络遥感影像油罐目标检测算法

针对传统遥感影像油罐目标检测算法依赖油罐圆形特征,对于背景复杂和存在大量小目标的情况检测效果差的问题,提出一种多尺度并联卷积神经网络油罐目标检测算法.首先根据油罐目标尺寸对各神经网络检测效果的影响规律,采用不同网络架构分别检测不同尺寸的油罐目标;其次利用经过训练的分类网络对上述检测结果进行后处理,剔除可能存在的误检;最...     

基于卷积神经网络的无人机影像违章建筑检测应用

无人机航拍影像具有分辨率高、回访周期短等特点,利用无人机遥感技术手段对城市范围的建设进行动态监测,可及时、有效地发现涉嫌违法的建设活动.本文结合实际项目需求,研究通过卷积神经网络方法进行违章建筑的自动检测,替代过去靠大量人力检查的模式,目前测试区域无人机影像试验取得了较好的效果,在样本数据不足5000份的情况下,准确率...     

基于多尺度特征融合的遥感影像目标检测

提出基于多尺度特征融合的遥感影像目标检测方法,本文利用选择性搜索算法对原始数据进行滤波处理和二值化处理,提取遥感影像目标区域图像数据,采用RBM技术获取遥感影像目标的语义特征和细节特征,在此基础上,建立融合网络,对影像目标的语义特征和细节特征进行变形卷积操作和池化操作,将目标的语义特征和细节特征进行多尺度融合,获取目标的深度特征,进而定位遥感影像目标。实验证明,设计方法遥感影像目标检测时间短,可以快速检测到遥感影像目标。     

利用无人机多源影像检测车辆速度

交通在人民生活和社会经济中有着举足轻重的作用。车辆速度检测是智能交通管理系统的重要组成部分。本文提出了一种基于无人机（UAV）多源影像数据进行车辆速度检测的方法,首先,搭建小型无人机多源数据采集平台,获取可见光影像与热红外影像。然后,针对采集的多源数据,采用深度学习框架YOLO（you only look once）进行车辆检测。最后,基于卡尔曼滤波进行车辆跟踪,并根据跟踪结果计算车辆速度。本文利用无人机平台增加监测车辆的灵活性,同时综合使用多源数据,不仅提高车辆检测精度,还可以不依赖光照条件跟踪车辆。试验结果表明,本文方法具有有效性和稳健性,为道路监控管理部门提供一种高效率、机动灵活的监测模式。     

光流网络的无人机视频运动目标检测方法

针对传统光流技术的无人机视频运动目标检测方法计算效率低等问题,提出一种基于改进光流网络的无人机视频运动目标检测方法.首先利用卷积神经网络分别提取视频序列影像中目标的运动特征,并利用所提取特征进行光流计算;其次通过堆叠网络结构增加网络深度、引入小位移子网络等方法提高光流计算的精度和效率;最后通过光流阈值分割实现运动目标的检测.采用4组不同飞行模式下的无人机视频数据进行实验,实验结果表明,无论是在悬停模式还是在航行模式下,所提方法均能实现单目标、多目标和遮挡目标的检测,检测效果更好、计算效率更高(计算时间≤35 ms),基本能满足无人机视频运动目标实时处理的需求.     

注意力空洞卷积无人机遥感多目标检测方法研究

针对无人机遥感影像中多类别目标的检测问题,本文提出一种单阶段的深度学习新目标检测模型。在特征提取结构内,首先使用空洞卷积核来构建基本的提取结构,让模型在提取过程中获取感受野更大、原始信息保留更充分的特征图;针对小目标检测精度不佳问题,采用通道注意力与空间注意力组合的多路注意力机制来提高模型对真实目标的关注程度;在特征图连续上采样的基础上,将来自同层以及高层下采样的特征图进行融合来获取鲁棒性更强、语义信息更充分的特征图实施最终的检测。以VisDrone、DLR-MVDA数据集和路采影像组成数据集,并使用暗通道先验等方法对其进行强化,组成训练数据集对模型进行训练。实验结果表明,本文所提出的模型对于无人机遥感影像中的多种类别的目标均能够实现较好的检出,其平均精度均值较其余3种基准模型分别提高8.56%、4.58%及15.81%,检测速度可以达到25帧/s的水平,说明所提出模型能够针对遥感影像中的多类别目标实施快速精准的检测,同时具有较好的泛化能力。     

SAR图像机场区域的掩体目标检测方法

提出了一种基于几何活动轮廓模型分割的SAR机场掩体目标检测方法。根据SAR图像的特性选择了Chan-Vese模型(C-V模型),对其进行加窗,使全局信息的C-V模型局部化,并扩展到多相,从而有效地分割出机场区域;再根据掩体目标的断头路位置特征检测目标潜在位置;最后利用掩体在SAR图像的强回波特性去除虚警,实现对掩体目标的有效检测。实验表明:该方法能克服相干斑的干扰,简化对复杂拓扑关系的处理,为检测机场掩体目标提供了一种有效技术途径。     

危险理论与影像目标检测

探讨了危险理论与影像目标检测的内在联系,用危险理论解释了影像目标检测的整个过程,并提出了一种面向影像目标检测的危险模型。该模型将目标检测的过程视为一种生物免疫系统检测危险抗原的过程,其中兴趣目标被视为“危险抗原”,目标检测器被视为一种“抗原提呈细胞”。通过高分辨率遥感影像车辆目标检测实验,说明了危险理论在影像目标检测中应用的有效性和可行性。     

一种基于特征分类辨识的SAR图像目标检测方法

该文给出了一种基于特征分类辨识的合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标检测方法。用恒虚警（Constant False Alarm Rate,CFAR）和扩展分形（Extended Fractal,EF）方法对SAR图像进行目标检测后用面积和峰值能量比算子辨识目标和背景杂波,去除一部分虚警,用小波域主成分分析（Principal Component Analysis,PCA）对每个检测窗口内的图像提取特征向量,用支持向量机（Support Vector Machine,SVM）对提取得到的特征向量进行分类,辨识目标和背景杂波,完成目标检测。使用ADTS数据对该方法进行验证和分析,实验结果表明,经过特征分类辨识后,在检测率不变的情况下,虚警数目显著降低。因此,该方法是一种有效的SAR图像目标检测方法。     

一种在长时间序列SAR影像上提取稳定目标点的多级探测法

基于长时间序列上的差分雷达地表形变检测技术是近年来形变监测领域中一项重要的关键技术,而在长时间序列上稳定目标点的准确提取则是其中的一项重要环节,在此本文提出了一个有效的提取稳定目标点的多级探测方法.该方法以传统的振幅探测法为基础提取稳定目标点,同时针对振幅探测中稳定目标点的分布密度低、不均匀等问题,建立时间相干性计算模型,并利用目标点时间相干信息提取更多满足要求的稳定点目标.本文选用上海地区的26幅ERS-1/2 C波段SAR图像(1992-2000年获取)进行了目标点的提取实验,证实了该方法的有效性和可靠性.     

基于压缩感知的SAR图像CFAR目标检测算法

在球不变随机向量的非高斯背景下,针对估计协方差矩阵可能奇异的情况,研究了距离扩展目标的自适应检测方法。首先,推导了非高斯背景下未知协方差矩阵和目标散射点幅度的修正最大似然(maximum likelihood,ML)估计;然后,基于纹理分量的近似ML估计,建立了自适应检测器(adaptively modified generalized likelihood ratio test,AMGLRT)。仿真结果表明,AMGLRT在目标散射点能量均匀分布时检测性能最佳,随着杂波尖峰的减小或阵元数的增加,AMGLRT的检测性能有所改善;且其对不同杂波相关性表现出很好的鲁棒性。另外,AMGLRT的检测性能优于已有的M/K检测器,且这种性能优势随着散射点个数的增加而增大。     

利用方向性粗糙度特征对SAR图像目标检测的研究

从反映纹理信息的粗糙度特征出发,深入研究利用方向性粗糙度特征对SAR图像进行目标检测的方法.方向性粗糙度特征是用指数小波在一个尺度上对检测图像滤波,对特定大小目标用能量关系函数求得各像素点在一个方向上的分形特征.针对MSTAR数据和ADTS数据的SAR图像,确定了用该方法检测目标时的最优参数.分别用方向性粗糙度特征和恒虚警率(CFAR)方法对上述两种不同波段的SAR图像进行目标检测,检测结果表明:方向性粗糙度特征能以更低虚警率检测出全部特定大小的目标,而且目标空间可分辨性好、位置指示准确.     

A Target Detection Method for Hyperspectral Imagery Based on Two-Time Detection

To solve the low detection efficiency problem of Constrained Energy Minimization (CEM) method used for hyperspectral remote sensing imagery, this paper firstly presents two improved detection methods: principal component CEM (PCCEM) and matrix taper CEM (MTCEM). Then, based on these two methods, a more optimized Two-Time detection (TTD) method is proposed. Primarily, the targets of interest in the hyperspectral image are detected by using the PCCEM and MTCEM method. Then the autocorrelation matrix of non-target pixels is estimated according to the target detection results. Finally, based on this autocorrelation matrix, a new weight vector is constructed for the second detection. Under the effect of this new weight vector, the output energy of the target can be kept at unity and the output energy of the background is suppressed at the same time. Then, the improvement of target detection result can be realized. Experimental results on a real world hyperspectral data show the efficiency of the proposed TTD method to improve the detection performance.     

一种多孔径SAR图像目标检测方法

提出了一种多孔径SAR图像目标检测方法,充分利用SAR图像幅度和相位信息来区分人造目标和杂波。由于人造目标的回波能量往往集中在部分方位角范围内,当该部分方位角范围所对应的多个子孔径图像中存在目标时,其局部相关性较强,因此,该方法利用多个子孔径图像之间的相干系数检测目标。实验结果表明,该方法有效地提高了目标检测概率,同时降低了虚警概率。     

顾及局域信息的核化正交子空间投影目标探测方法

提出了一种基于局域信息的核化正交子空间投影的目标探测方法(KLOSP).模拟数据实验证明,KLOSP方法比其他子空间目标探测方法具有更优的接受者操纵特征曲线;真实影像数据实验证明,该方法比传统子空间目标探测方法具有更大的目标与背景的可分度,能够准确地对高光谱影像数据进行目标探测.     

一种快速的SAR图像目标检测方法

针对SAR图像检测方法效率低等问题,提出了一种联合灰度和纹理特征的快速检测算法,通过利用全局检测算法与垂直方向纹理边缘的并行检测来提高检测速度,并给出了一个实例,验证了所提方法的有效性。